ANALYSE DES VENTES

Importation et inspection des data

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
import plotly.express as px
import plotly.graph_objects as go
import chart_studio.plotly as py
import cufflinks as cf
%matplotlib inline

# Plotly
from plotly.offline import download_plotlyjs, init_notebook_mode, plot, iplot
init_notebook_mode(connected=True)

# Utiliser plotly en local
cf.go_offline()

# créer des grafs et les customiser
import plotly.graph_objects as go

Importation des fichiers de données

Fichier CLIENTS

Ce fichier comprend 3 variables :

• l'id du client
• le genre
• l'année de naissance

client = pd.read_csv('customers.csv', sep = ',' )
client.head()

	client_id	sex	birth
0	c_4410	f	1967
1	c_7839	f	1975
2	c_1699	f	1984
3	c_5961	f	1962
4	c_5320	m	1943

Fichier PRODUITS

Ce fichier comprend 3 variables :

• l'id du produit
• le prix
• la catégorie

produit = pd.read_csv('products.csv', sep = ',' )
produit.head()

	id_prod	price	categ
0	0_1421	19.99	0
1	0_1368	5.13	0
2	0_731	17.99	0
3	1_587	4.99	1
4	0_1507	3.99	0

Fichier VENTES

Ce fichier comprend 4 variables :

• l'id du produit
• la date de la transaction
• l'id de la session
• l'id du client

vente = pd.read_csv('transactions.csv', sep = ',' )
vente.head()

	id_prod	date	session_id	client_id
0	0_1518	2022-05-20 13:21:29.043970	s_211425	c_103
1	1_251	2022-02-02 07:55:19.149409	s_158752	c_8534
2	0_1277	2022-06-18 15:44:33.155329	s_225667	c_6714
3	2_209	2021-06-24 04:19:29.835891	s_52962	c_6941
4	0_1509	2023-01-11 08:22:08.194479	s_325227	c_4232

L'id de la session ne nous sera d'aucune utilité ici, nous ne le gardons pas

SI ON LE GARDE

# vente = vente[["id_prod", "date", "client_id"]]
# vente.head()

Inspection et contrôle des données

Inspection des données : info, describe

# client.info()
# vente.info()
# produit.info()
# client.describe()
produit.describe()
# vente.describe()

	price	categ
count	3287.000000	3287.000000
mean	21.856641	0.370246
std	29.847908	0.615387
min	-1.000000	0.000000
25%	6.990000	0.000000
50%	13.060000	0.000000
75%	22.990000	1.000000
max	300.000000	2.000000

Nous constatons d'ores et déjà un problème au niveau des données :
En effet, la ligne MIN indique un prix négatif.

# client.info()
# vente.info()
# produit.info()
# client.describe()
# produit.describe()
vente.describe()

	id_prod	date	session_id	client_id
count	679532	679532	679532	679532
unique	3267	679371	342316	8602
top	1_369	test_2021-03-01 02:30:02.237413	s_0	c_1609
freq	2252	13	200	25488

Ici aussi, nous constatons un problème, cette fois-ci avec le champs DATE.
La ligne TOP indique une date commençant par "test_"

Contrôle des données

Recherche des valeurs nulles

# vérification des NaN fichier CLIENTS
client.isnull().sum()

client_id    0
sex          0
birth        0
dtype: int64

# vérification des NaN fichier PRODUITS
produit.isnull().sum()

id_prod    0
price      0
categ      0
dtype: int64

# vérification des NaN fichier VENTES
vente.isnull().sum()

id_prod       0
date          0
session_id    0
client_id     0
dtype: int64

Recherche des doublons

# recherche des doublons dans le fichier CLIENTS
client.duplicated().sum()

0

# recherche des doublons dans le fichier PRODUITS
produit.duplicated().sum()

0

# recherche des doublons dans le fichier VENTE
vente.duplicated().sum()

126

Vérification des formats

# vérification des formats du fichier CLIENTS
client.dtypes

client_id    object
sex          object
birth         int64
dtype: object

La variable "client_id" est de type objet car le code se compose ainsi : c_xxxx

# vérification des formats du fichier PRODUITS
produit.dtypes

id_prod     object
price      float64
categ        int64
dtype: object

la variable "product_id" est de type object car le code se compose ainsi : x_xxx

# vérification des formats du fichier VENTES
vente.dtypes

id_prod       object
date          object
session_id    object
client_id     object
dtype: object

la variable "date" est de type objet et non date

Nettoyage des données

Suppression des doublons

# suppression des doublons dans le fichier VENTE
vente = vente.drop_duplicates()

# et je vérifie 
vente.duplicated().sum()

0

Suppression des valeurs test

# Recherche des valeurs test dans le fichier VENTE :
list_v = []
for column in vente:
    list_v.append(vente.loc[vente[column].str.contains("test")])
list_v       

[Empty DataFrame
 Columns: [id_prod, date, session_id, client_id]
 Index: [],
        id_prod                             date session_id client_id
 3019       T_0  test_2021-03-01 02:30:02.237419        s_0      ct_0
 5138       T_0  test_2021-03-01 02:30:02.237425        s_0      ct_0
 9668       T_0  test_2021-03-01 02:30:02.237437        s_0      ct_1
 10728      T_0  test_2021-03-01 02:30:02.237436        s_0      ct_0
 15292      T_0  test_2021-03-01 02:30:02.237430        s_0      ct_0
 ...        ...                              ...        ...       ...
 577324     T_0  test_2021-03-01 02:30:02.237424        s_0      ct_0
 593065     T_0  test_2021-03-01 02:30:02.237422        s_0      ct_1
 607892     T_0  test_2021-03-01 02:30:02.237412        s_0      ct_0
 626049     T_0  test_2021-03-01 02:30:02.237422        s_0      ct_0
 670680     T_0  test_2021-03-01 02:30:02.237449        s_0      ct_1
 
 [74 rows x 4 columns],
 Empty DataFrame
 Columns: [id_prod, date, session_id, client_id]
 Index: [],
 Empty DataFrame
 Columns: [id_prod, date, session_id, client_id]
 Index: []]

Nous avons donc 74 lignes de test.
NB : les identifiants produits de type T_0 sont des tests, de même que les identifiants client de type CT_0 ou CT_1

# Suppression des valeurs test dans le fichier VENTE : 

# récupère les index des lignes contenant 'test'
test_v = list_v[1].index
test_v

# supprime ces lignes du fichier VENTE : 
vente = vente.drop(test_v)
vente.shape   # mes 74 lignes ont bien été supprimées

(679332, 4)

# Recherche des valeurs test dans le fichier PRODUITS :
# seule la colonne ID_PROD est au format 'texte' : 
list_p = produit.loc[produit['id_prod'].str.contains("T")]
list_p

	id_prod	price	categ
731	T_0	-1.0	0

Je n'ai qu'une seule ligne contenant un identifiant produit de test.
Je dois ensuite vérifier qu'il n'y a pas d'autre prix négatif.

# recherche des tarifs négatifs dans le fichier PRODUITS : 
prix_neg = produit.loc[produit['price']<0]
prix_neg

	id_prod	price	categ
731	T_0	-1.0	0

il s'agit de la même ligne.
Je n'ai donc qu'une seule ligne à supprimer dans ce fichier

# Suppression des valeurs test
produit = produit.drop(731)
produit.shape    # ma ligne a bien été supprimée

(3286, 3)

# Recherche des valeurs test dans le fichier CLIENTS :
# je ne vais faire la recherche que sur l'identifiant client : 
liste_c = client.loc[client['client_id'].str.contains("ct")]
liste_c

	client_id	sex	birth
2735	ct_0	f	2001
8494	ct_1	m	2001

# Suppression des valeurs test
client = client.drop(liste_c.index)
client.shape

(8621, 3)

Correction des formats incohérents

# modification du format de la colonne DATE du fichier VENTE :
vente.head(1)

	id_prod	date	session_id	client_id
0	0_1518	2022-05-20 13:21:29.043970	s_211425	c_103

ce format est de type objet.
de plus, il est trop détaillé : nous n'avons besoin que d'un format de type '%Y-%m-%d %H:%M:%S'

# suppression des informations inutiles : 
# tout ce qui est après le point : 
vente['date'] = vente['date'].str.split(' ', expand= True)[0]

# transformation du type objet en date
vente['date']=pd.to_datetime(vente['date'], format = '%Y-%m-%d') 
vente.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 679332 entries, 0 to 679531
Data columns (total 4 columns):
 #   Column      Non-Null Count   Dtype         
---  ------      --------------   -----         
 0   id_prod     679332 non-null  object        
 1   date        679332 non-null  datetime64[ns]
 2   session_id  679332 non-null  object        
 3   client_id   679332 non-null  object        
dtypes: datetime64[ns](1), object(3)
memory usage: 25.9+ MB

vente.head(1)

	id_prod	date	session_id	client_id
0	0_1518	2022-05-20	s_211425	c_103

Recherche de valeurs atypiques

Pas de recherche pour les ventes et les clients, car une simple description du fichier nous permet de voir que toutes les dates sont bien entre le 01/03/21 et le 28/02/23 pour ce qui est des ventes, et toutes les dates de naissance sont comprises entre 1929 et 2004.

px.box(produit, x='price') 

data = produit['price']
threshold = 3      # choix d'un z-score de 3 càd valeurs avec écart type >= 3
mean = np.mean(data)
std = np.std(data)
z_score_outlier = [i for i in data if (i-mean)/std > threshold]
# afficher la liste des outliers
val_aty = produit.loc[produit['price'].isin(z_score_outlier),:] 
val_aty.describe()

	price	categ
count	97.000000	97.0
mean	156.226082	2.0
std	38.937549	0.0
min	111.720000	2.0
25%	127.990000	2.0
50%	145.450000	2.0
75%	175.670000	2.0
max	300.000000	2.0

Nous constatons que la grande majorité des prix se situe entre 0 et 46.99€.
Au-delà, 97 outliers dont les tarifs vont de 111.72 à 300€.
Ces références sont-elles des valeurs atypiques ?
Cela semble peu probable : il est normal d'avoir des références à un prix standard et une gamme plus onéreuse.
A valider avec le service commercial.

Merge des data

# jointure left car je veux garder toutes les infos du fichier VENTE
# permet d'écarter d'éventuels clients et produits inactifs
d =pd.merge(pd.merge(vente, client, on='client_id', how='left'), produit, on='id_prod')
d.head()

	id_prod	date	session_id	client_id	sex	birth	price	categ
0	0_1518	2022-05-20	s_211425	c_103	f	1986	4.18	0
1	0_1518	2021-09-26	s_95811	c_6197	m	1985	4.18	0
2	0_1518	2021-05-06	s_30782	c_682	f	1974	4.18	0
3	0_1518	2022-03-16	s_180057	c_5932	f	1962	4.18	0
4	0_1518	2022-11-12	s_296584	c_7217	f	1976	4.18	0

Analyse du CA

Indicateurs

Dans un premier temps, nous allons définir nos KPI :

• CA
• age
• genre
• taille panier
• panier moyen
• catégorie
• fréquence d'achat

Puis nous allons calculer le CA total :

# le CA total correspond à la somme de la colonne price
CA_total = d["price"].sum()
print("Le chiffre d'affaires total de ces deux dernières années est de : "+ "{:,.2f}".format(round(CA_total, 2)) + '€')

Le chiffre d'affaires total de ces deux dernières années est de : 11,853,728.68€

Evolution temporelle

Calcul du CA mois par mois :

# group by mois, price.sum
d['Année - Mois'] = d['date'].apply(lambda x:x.strftime('%Y-%m'))
ca_mois = d.groupby('Année - Mois')['price'].sum()
ca_mois

Année - Mois
2021-03    482440.61
2021-04    476109.30
2021-05    492943.47
2021-06    484088.56
2021-07    482835.40
2021-08    482284.79
2021-09    507240.68
2021-10    320798.74
2021-11    516167.73
2021-12    525917.28
2022-01    525338.99
2022-02    535571.50
2022-03    515456.53
2022-04    492998.94
2022-05    517132.60
2022-06    496016.12
2022-07    510783.12
2022-08    506467.27
2022-09    494114.53
2022-10    507917.77
2022-11    496664.94
2022-12    510219.50
2023-01    517540.55
2023-02    456679.76
Name: price, dtype: float64

# représentation graphique
fig = go.Figure()
fig.add_trace(go.Scatter(x=ca_mois.index, y=ca_mois.values, mode='lines', name='ca mensuel' ))

Nous constatons d'ores et déjà une chute brutale du CA au mois d'octobre.
Il conviendra d'analyser plus précisément ce point afin :

• de comprendre les raisons de cette chute
• de décider quoi faire des données de ce mois

# identification des données d'octobre
d_oct_21 = d.loc[d['Année - Mois'] == "2021-10"]
d_oct_21

	id_prod	date	session_id	client_id	sex	birth	price	categ	Année - Mois
35	0_1518	2021-10-11	s_103224	c_5312	m	1977	4.18	0	2021-10
54	0_1518	2021-10-26	s_110388	c_7048	m	1981	4.18	0	2021-10
60	0_1518	2021-10-11	s_103072	c_2455	f	1952	4.18	0	2021-10
68	0_1518	2021-10-15	s_105315	c_5697	m	1988	4.18	0	2021-10
83	0_1518	2021-10-12	s_103594	c_846	f	1981	4.18	0	2021-10
...	...	...	...	...	...	...	...	...	...
679057	0_898	2021-10-16	s_105378	c_4805	f	1975	1.27	0	2021-10
679070	0_1806	2021-10-31	s_112884	c_229	f	1987	1.61	0	2021-10
679079	0_1595	2021-10-03	s_99495	c_4394	f	1978	2.99	0	2021-10
679083	0_698	2021-10-14	s_104438	c_5429	f	1968	1.44	0	2021-10
679108	0_1379	2021-10-16	s_105547	c_5425	f	1981	2.99	0	2021-10

21599 rows × 9 columns

# comparaison avec le mois d'octobre 2022 et les mois de septembre et de novembre 2021
# création du tableau et insertion des données pour oct 2021
comp = pd.DataFrame(
             columns=['oct_21', 'oct_22', 'sept_21', 'nov_21'],
             index=['prix_moy', 'ca_mens', 'nb_cat0' ,'nb_cat1', 'nb_cat2', 'nb_total'])
comp['oct_21'] = [round(d_oct_21['price'].mean(),2),d_oct_21['price'].sum(), 
                  d_oct_21.loc[d_oct_21['categ']== 0, 'categ'].count(),d_oct_21.loc[d_oct_21['categ']== 1, 
                  'categ'].count(),d_oct_21.loc[d_oct_21['categ']== 2, 'categ'].count()    ,d_oct_21['price'].count()]

# calcul et insertion des données pour oct_2022
d_oct_22 = d.loc[d['Année - Mois'] == "2022-10"]
comp['oct_22'] = [round(d_oct_22['price'].mean(),2),d_oct_22['price'].sum(), 
                  d_oct_22.loc[d_oct_22['categ']== 0, 'categ'].count(),d_oct_22.loc[d_oct_22['categ']== 1, 
                 'categ'].count(),d_oct_22.loc[d_oct_22['categ']== 2, 'categ'].count()    ,d_oct_22['price'].count()]

# calcul et insertion des données pour sept_2021
d_sept_21 = d.loc[d['Année - Mois'] == "2021-09"]
comp['sept_21'] = [round(d_sept_21['price'].mean(),2), d_sept_21['price'].sum(), 
                  d_sept_21.loc[d_sept_21['categ']== 0, 'categ'].count(),d_sept_21.loc[d_sept_21['categ']== 1, 
                 'categ'].count(),d_sept_21.loc[d_sept_21['categ']== 2, 'categ'].count()    ,d_sept_21['price'].count()]

# calcul et insertion des données pour nov_2021
d_nov_21 = d.loc[d['Année - Mois'] == "2021-11"]
comp['nov_21'] = [round(d_nov_21['price'].mean(),2), d_nov_21['price'].sum(), 
                  d_nov_21.loc[d_nov_21['categ']== 0, 'categ'].count(),d_nov_21.loc[d_nov_21['categ']== 1, 
                 'categ'].count(),d_nov_21.loc[d_nov_21['categ']== 2, 'categ'].count()    ,d_nov_21['price'].count()]
comp

# comparer avec octobre 2022
# comparer avec mois avant
# comparer avec mois après

	oct_21	oct_22	sept_21	nov_21
prix_moy	14.85	17.54	15.23	18.23
ca_mens	320798.74	507917.77	507240.68	516167.73
nb_cat0	18762.00	17664.00	23142.00	14600.00
nb_cat1	1666.00	9726.00	9268.00	12316.00
nb_cat2	1171.00	1574.00	904.00	1395.00
nb_total	21599.00	28964.00	33314.00	28311.00

Nous constatons qu'il y a un écart important de chiffre d'affaires entre le mois d'oct 2021 et les autres
(environ 40%)
L'écart concerne les produits de la catégorie 1.
en effet, seulement 1666 produits de cette catégorie ont été vendus en oct 2021 contre une moyenne de 10436 les autres mois.

Il peut donc s'agir d'un problème de disponibilité de ces articles
(problème fournisseur ou autre)
Deux questions se posent alors :

• les commandes ont-elles été rattrapées sur un ou plusieurs autres mois ?
• ou ce CA a-t-il été purement et simplement perdu ? En fonction des réponses, nous prendrons la décision de garder ou lisser les données d'oct 2021.

Nous constatons sur le graph un pic au premier trimestre 2022.
Nous allons donc ajouter ces données au comparateur.

# calculs : 
# prix moyen 
# nb par categorie
# nb de ventes par jour (moyenne)

# données de decembre 21
d_dec_21 = d.loc[d['Année - Mois'] == "2021-12"]
comp['dec_21'] = [round(d_dec_21['price'].mean(),2), d_dec_21['price'].sum(), 
                  d_dec_21.loc[d_dec_21['categ']== 0, 'categ'].count(),d_dec_21.loc[d_dec_21['categ']== 1, 
                 'categ'].count(),d_dec_21.loc[d_dec_21['categ']== 2, 'categ'].count()    ,d_dec_21['price'].count()]
# données de janvier 22
d_jan_22 = d.loc[d['Année - Mois'] == "2022-01"]
comp['jan_22'] = [round(d_jan_22['price'].mean(),2), d_jan_22['price'].sum(), 
                  d_jan_22.loc[d_jan_22['categ']== 0, 'categ'].count(),d_jan_22.loc[d_jan_22['categ']== 1, 
                 'categ'].count(),d_jan_22.loc[d_jan_22['categ']== 2, 'categ'].count()    ,d_jan_22['price'].count()]
# données de février 22
d_fev_22 = d.loc[d['Année - Mois'] == "2022-02"]
comp['fev_22'] = [round(d_fev_22['price'].mean(),2), d_fev_22['price'].sum(), 
                  d_fev_22.loc[d_fev_22['categ']== 0, 'categ'].count(),d_fev_22.loc[d_fev_22['categ']== 1, 
                 'categ'].count(),d_fev_22.loc[d_fev_22['categ']== 2, 'categ'].count()    ,d_fev_22['price'].count()]
# j'organise mon df
comp = comp[['oct_22', 'sept_21', 'oct_21', 'nov_21', 'dec_21', 'jan_22', 'fev_22']]
comp

	oct_22	sept_21	oct_21	nov_21	dec_21	jan_22	fev_22
prix_moy	17.54	15.23	14.85	18.23	16.20	17.90	18.1
ca_mens	507917.77	507240.68	320798.74	516167.73	525917.28	525338.99	535571.5
nb_cat0	17664.00	23142.00	18762.00	14600.00	19302.00	15397.00	17281.0
nb_cat1	9726.00	9268.00	1666.00	12316.00	12259.00	12560.00	10459.0
nb_cat2	1574.00	904.00	1171.00	1395.00	896.00	1386.00	1854.0
nb_total	28964.00	33314.00	21599.00	28311.00	32457.00	29343.00	29594.0

On constate que les mois suivants (novembre, décembre et janvier) montrent une augmentation du nb d'articles de catégorie 1 vendus.
Ce nombre revient à la normale dès le mois de mars 2022.
De plus, si on fait la moyenne des mois d'oct, nov, decembre et janvier, on trouve 9700, ce qui correspond aux données
des mois de septembre 2021 et octobre 2022.
Nous partons donc de l'hypothèse que les données sont lissées sur les autres mois.
Nous décidons donc de ne pas intervenir sur les données d'octobre 2021.

Ces hypothèses devront être vérifiées auprès des services achat et commercial.

décomposition en moyenne mobile - lissage sur 3 mois

moy_mob = ca_mois.rolling(3).mean() moy_mob

# représentation graphique de la moyenne mobile

# je change le format de l'index en date pour pouvoir afficher le graph
ca_mois.index=pd.to_datetime(ca_mois.index, format = '%Y-%m') 
px.scatter(ca_mois, x=ca_mois.index, y=ca_mois.values , opacity=1, color=ca_mois.values, trendline='rolling', trendline_options=dict(window=3),title="Moyenne mobile sur 3 mois",color_continuous_scale='twilight')

on constate une relative stabilité du CA autour de 500k
avec deux pics :

• un en octobre : chute drastique des ventes
• un en février : augmentation des ventes sur le mois complet

Nous avons vu précédemment une explication possible à ces pics.

Zoom sur les produits

Description : CA, prix, nb-ventes

# description : prix moy
d[['price']].describe()

	price
count	679111.000000
mean	17.454773
std	18.328998
min	0.620000
25%	8.870000
50%	13.990000
75%	18.990000
max	300.000000

Les prix s'étendent entre 0.62 et 300€ pour un prix moyen de 17.45€.

# description : ca moy
ca_moy_art = CA_total/679111
ca_moy_mois = CA_total/24

Le CA moyen par article est de 17.45€
Le CA moyen par mois est de 474 149€

# description : nb ventes moy
nb_art = 679332/3266
nb_mois = 679332/24

Le nb de ventes moyen par article est de 208.
Le nb de ventes moyen par mois est de 27 173.

# répartition des prix par catégories :
# plt.figure(figsize=(8,3))
# sns.boxplot(data=d, y='categ', x='price', orient='h', showfliers=False, showmeans=True, palette=["#64ffda", "#536dfe", "#ff6e40"], meanprops={"marker":"s","markerfacecolor":"white"})
# plt.title('Distribution des prix par catégorie')
# plt.show()

px.box(d, x='price', y='categ', orientation='h', points= False, color='categ' , title='Distribution des prix par catégorie')

Catégorie 0 :

• Prix médian : 9.99
• Prix min : 0.62
• Prix max : 40.99

Catégorie 1 :

• Prix médian : 19.08
• Prix min : 2.00
• Prix max : 80.99

Catégorie 2 :

• Prix médian : 62.83
• Prix min : 30.99
• Prix max : 300

les tops

# top 10 des produits les plus vendus (nb_ventes)
sel_nb_v = d.groupby('id_prod')['id_prod'].count().sort_values(ascending=False).iloc[:10]
nb_v = pd.DataFrame({'id_prod' : sel_nb_v.index,
                    'nb_ventes' : sel_nb_v.values})
# quel est leur prix 
nb_prix = d.loc[d['id_prod'].isin(sel_nb_v.index), ['price', 'id_prod']]
nb_prix = nb_prix.drop_duplicates()

top_nb_ventes = pd.merge(nb_v, nb_prix, on='id_prod', how='left')

# quel est leur CA 
top_nb_ventes['CA réalisé'] = top_nb_ventes['nb_ventes'] * top_nb_ventes['price']

print('Top 10 des produits les plus vendus :')
top_nb_ventes

Top 10 des produits les plus vendus :

	id_prod	nb_ventes	price	CA réalisé
0	1_369	2252	23.99	54025.48
1	1_417	2189	20.99	45947.11
2	1_414	2180	23.83	51949.40
3	1_498	2128	23.37	49731.36
4	1_425	2096	16.99	35611.04
5	1_403	1960	17.99	35260.40
6	1_412	1951	16.65	32484.15
7	1_413	1945	17.99	34990.55
8	1_406	1939	24.81	48106.59
9	1_407	1935	15.99	30940.65

Les articles les plus vendus appartiennent à la catégorie 1.
Leur prix se situe entre 15.99€ et 24.81€.

# top 10 des produits les plus chers
top_prix = d[['price','id_prod']].drop_duplicates().sort_values(by = 'price', ascending=False).iloc[:10]

# combien de ventes  
sel_nb_v2 = d.loc[d['id_prod'].isin(top_prix['id_prod']), 'id_prod']
sel_nb_v2 = pd.DataFrame({'id_prod' : sel_nb_v2.values})
sel_nb_v2= sel_nb_v2.groupby('id_prod')['id_prod'].count()
nb_v2 = pd.DataFrame({'id_prod' : sel_nb_v2.index,
                    'nb_ventes' : sel_nb_v2.values})

top_prix = pd.merge(top_prix, nb_v2, on='id_prod', how='left')

# quel est leur CA 
top_prix['CA réalisé'] = top_prix['nb_ventes'] * top_prix['price']

top_prix = top_prix[['id_prod', 'nb_ventes', 'price', 'CA réalisé']]

print('Top 10 des produits les plus chers :')
top_prix

Top 10 des produits les plus chers :

	id_prod	nb_ventes	price	CA réalisé
0	2_2	15	300.00	4500.00
1	2_76	9	254.44	2289.96
2	2_158	142	247.22	35105.24
3	2_167	189	236.99	44791.11
4	2_30	7	233.54	1634.78
5	2_125	7	231.99	1623.93
6	2_166	228	230.04	52449.12
7	2_40	26	228.11	5930.86
8	2_228	75	225.17	16887.75
9	2_4	6	222.97	1337.82

Les articles les plus chers appartiennent à la catégorie 2.
Le CA ainsi que le nb de ventes est disparate.

# top 10 des produits ayant réalisé le plus gros CA
sel_ca = d.groupby('id_prod')['price'].sum().sort_values(ascending=False).iloc[:10]
sel_ca = pd.DataFrame({'id_prod' : sel_ca.index,
                     'CA réalisé' : sel_ca.values})

# quel est leur prix 
sel_prix = d.loc[d['id_prod'].isin(sel_ca['id_prod']), ['price', 'id_prod']]
prix = sel_prix.drop_duplicates()

top_ca = pd.merge(sel_ca, prix, on='id_prod', how='left')

# quel est leur nb_ventes 
top_ca['nb_ventes'] = top_ca['CA réalisé'] / top_ca['price']

top_ca = top_ca[['id_prod', 'nb_ventes', 'price', 'CA réalisé']]

print('Top 10 des produits ayant réalisé le plus fort CA :')
top_ca

Top 10 des produits ayant réalisé le plus fort CA :

	id_prod	nb_ventes	price	CA réalisé
0	2_159	650.0	145.99	94893.50
1	2_135	1005.0	68.99	69334.95
2	2_112	968.0	67.57	65407.76
3	2_102	1027.0	59.14	60736.78
4	2_209	814.0	69.99	56971.86
5	1_395	1875.0	28.99	54356.25
6	1_369	2252.0	23.99	54025.48
7	2_110	865.0	62.25	53846.25
8	2_39	915.0	57.99	53060.85
9	2_166	228.0	230.04	52449.12

Les articles ayant réalisé le plus fort CA appartiennent principalement à la catégorie 2.
Les prix sont disparates, mais le nombre de ventes est plutôt élevé.

# je recherche les valeurs communes : 
# je compare les id_prod de chaque top aux autres

vc_prix_ca = top_ca.loc[top_ca['id_prod'].isin(top_prix['id_prod']), [ 'id_prod']]
print('Article(s) présent(s) dans le top ten des prix et le top ten du CA : ', vc_prix_ca.values)

vc_prix_nb = top_nb_ventes.loc[top_nb_ventes['id_prod'].isin(top_prix['id_prod']), [ 'id_prod']]
print('Article(s) présent(s) dans le top ten des prix et le top ten du nb_ventes : ', vc_prix_nb.values)

vc_nb_ca = top_ca.loc[top_ca['id_prod'].isin(top_nb_ventes['id_prod']), [ 'id_prod']]
print('Article(s) présent(s) dans le top ten du CA et le top ten du nb_ventes : ', vc_nb_ca.values)

Article(s) présent(s) dans le top ten des prix et le top ten du CA :  [['2_166']]
Article(s) présent(s) dans le top ten des prix et le top ten du nb_ventes :  []
Article(s) présent(s) dans le top ten du CA et le top ten du nb_ventes :  [['1_369']]

comp = top_ca.loc[(top_ca['id_prod'] == "2_166") | (top_ca['id_prod'] == "1_369")]

print('Ces deux articles réalisent un CA similaire avec un prix unitaire et un nombre de ventes très différent : ')

comp

Ces deux articles réalisent un CA similaire avec un prix unitaire et un nombre de ventes très différent : 

	id_prod	nb_ventes	price	CA réalisé
6	1_369	2252.0	23.99	54025.48
9	2_166	228.0	230.04	52449.12

Nous constatons que les produits les plus chers ne sont pas ceux qui réalisent le plus de CA.
De même, les produits réalisant le CA le plus élevé ne sont pas les plus chers.

les flops

# top 10 des produits les moins vendus (nb_ventes)
sel_nb_v_f = d.groupby('id_prod')['id_prod'].count().sort_values(ascending=True).iloc[:10]
nb_v_f = pd.DataFrame({'id_prod' : sel_nb_v_f.index,
                    'nb_ventes' : sel_nb_v_f.values})
# quel est leur prix 
nb_prix_f = d.loc[d['id_prod'].isin(sel_nb_v_f.index), ['price', 'id_prod']]
nb_prix_f = nb_prix_f.drop_duplicates()

top_nb_ventes_f = pd.merge(nb_v_f, nb_prix_f, on='id_prod', how='left')

# quel est leur CA 
top_nb_ventes_f['CA réalisé'] = top_nb_ventes_f['nb_ventes'] * top_nb_ventes_f['price']

print('Top 10 des produits les moins vendus :')
top_nb_ventes_f

Top 10 des produits les moins vendus :

	id_prod	nb_ventes	price	CA réalisé
0	0_2201	1	20.99	20.99
1	0_1601	1	1.99	1.99
2	0_549	1	2.99	2.99
3	2_81	1	86.99	86.99
4	0_807	1	1.99	1.99
5	0_1683	1	2.99	2.99
6	0_1151	1	2.99	2.99
7	0_1633	1	24.99	24.99
8	0_833	1	2.99	2.99
9	0_886	1	21.82	21.82

Nous constatons que les articles les moins vendus appartiennent à la catégorie 0.
Leur prix se situe entre 1.99€ et 24.99€ (avec une exception pour l'article 2_81, qui appartient à la catégorie 2).

# top 10 des produits les moins chers
top_prix_f = d[['price','id_prod']].drop_duplicates().sort_values(by = 'price', ascending=True).iloc[:10]

# combien de ventes  
sel_nb_v2_f = d.loc[d['id_prod'].isin(top_prix_f['id_prod']), 'id_prod']
sel_nb_v2_f = pd.DataFrame({'id_prod' : sel_nb_v2_f.values})
sel_nb_v2_f= sel_nb_v2_f.groupby('id_prod')['id_prod'].count()
nb_v2_f = pd.DataFrame({'id_prod' : sel_nb_v2_f.index,
                    'nb_ventes' : sel_nb_v2_f.values})

top_prix_f = pd.merge(top_prix_f, nb_v2_f, on='id_prod', how='left')

# quel est leur CA 
top_prix_f['CA réalisé'] = top_prix_f['nb_ventes'] * top_prix_f['price']

top_prix_f = top_prix_f[['id_prod', 'nb_ventes', 'price', 'CA réalisé']]

print('Top 10 des produits les moins chers :')
top_prix_f

Top 10 des produits les moins chers :

	id_prod	nb_ventes	price	CA réalisé
0	0_202	9	0.62	5.58
1	0_528	9	0.62	5.58
2	0_120	15	0.66	9.90
3	0_1844	5	0.77	3.85
4	0_1364	19	0.81	15.39
5	0_612	7	0.88	6.16
6	0_902	4	0.92	3.68
7	0_2138	10	0.93	9.30
8	0_180	11	0.97	10.67
9	0_2166	18	0.97	17.46

Nous constatons que les produits les moins chers appartiennent à la catégorie 0.
Nous constatons également que leur nombre de ventes est faible (entre 4 et 19)
et qu'il en est de même pour le CA réalisé : inférieur à 18€.

# top 10 des produits ayant réalisé le plus petit CA
sel_ca_f = d.groupby('id_prod')['price'].sum().sort_values(ascending=True).iloc[:10]
sel_ca_f = pd.DataFrame({'id_prod' : sel_ca_f.index,
                     'CA réalisé' : sel_ca_f.values})

# quel est leur prix 
sel_prix_f = d.loc[d['id_prod'].isin(sel_ca_f['id_prod']), ['price', 'id_prod']]
prix_f = sel_prix_f.drop_duplicates()

top_ca_f = pd.merge(sel_ca_f, prix_f, on='id_prod', how='left')

# quel est leur nb_ventes 
top_ca_f['nb_ventes'] = top_ca_f['CA réalisé'] / top_ca_f['price']

top_ca_f = top_ca_f[['id_prod', 'nb_ventes', 'price', 'CA réalisé']]

print('Top 10 des produits ayant réalisé le plus petit CA :')
top_ca_f

Top 10 des produits ayant réalisé le plus petit CA :

	id_prod	nb_ventes	price	CA réalisé
0	0_1539	1.0	0.99	0.99
1	0_1284	1.0	1.38	1.38
2	0_1653	2.0	0.99	1.98
3	0_1601	1.0	1.99	1.99
4	0_807	1.0	1.99	1.99
5	0_541	1.0	1.99	1.99
6	0_1728	1.0	2.27	2.27
7	0_1498	1.0	2.48	2.48
8	0_898	2.0	1.27	2.54
9	0_1840	2.0	1.28	2.56

Nous constatons que les articles ayant réalisé le plus petit CA appartiennent à la catégorie 0.
Leur prix et leur nombre de vente est très bas.

# je recherche les valeurs communes : 
# je compare les id_prod de chaque top aux autres

vc_prix_ca_f = top_ca_f.loc[top_ca_f['id_prod'].isin(top_prix_f['id_prod']), [ 'id_prod']]
print('Article(s) présent(s) dans le top ten des prix et le top ten du CA : ', vc_prix_ca_f.values)

vc_prix_nb_f = top_nb_ventes_f.loc[top_nb_ventes_f['id_prod'].isin(top_prix_f['id_prod']), [ 'id_prod']]
print('Article(s) présent(s) dans le top ten des prix et le top ten du nb_ventes : ', vc_prix_nb_f.values)

vc_nb_ca_f = top_ca_f.loc[top_ca_f['id_prod'].isin(top_nb_ventes_f['id_prod']), [ 'id_prod']]
print('Article(s) présent(s) dans le top ten du CA et le top ten du nb_ventes : ', vc_nb_ca_f.values)

Article(s) présent(s) dans le top ten des prix et le top ten du CA :  []
Article(s) présent(s) dans le top ten des prix et le top ten du nb_ventes :  []
Article(s) présent(s) dans le top ten du CA et le top ten du nb_ventes :  [['0_1601']
 ['0_807']]

comp_f = top_ca_f.loc[(top_ca_f['id_prod'] == "0_1601") | (top_ca_f['id_prod'] == "0_807")]

print('Ces deux articles sont parfaitement similaires : ')

comp_f

Ces deux articles sont parfaitement similaires : 

	id_prod	nb_ventes	price	CA réalisé
3	0_1601	1.0	1.99	1.99
4	0_807	1.0	1.99	1.99

CA par catégorie

# Calcul du CA par catégorie

# group by CATEG et aggrégation (somme) sur le prix
CA_categ = d.groupby('categ')['price'].sum()

# représentation graphique
print('La répartition du CA par catégorie : ')
fig = go.Figure(data=[go.Pie(labels=['Cat 0', 'Cat 1', 'Cat 2'], 
                            values=[CA_categ[0],CA_categ[1],CA_categ[2]])])

colors =['lightblue', 'honeydew', 'lightsteelblue']
fig.update_traces(hoverinfo='label+value', 
                  textfont_size=15, 
                  textinfo='label+percent', 
                  sort=False,
                  #pull=[0.1, 0.1, 0.1], # on décale les quartiers
                  marker=dict(
                     colors=colors, 
                     line=dict(color='#FFFFFF', width=2)
                            ))
           

La répartition du CA par catégorie : 

Pour rappel, les prix les plus élevés appartiennent à la catégorie 2 et les plus bas, à la catégorie 0.
Cette répartition semble indiquer que plus de la moitié du CA est réalisé par des articles dont le prix est plus bas.

CA par prix

# Répartition du CA en fonction du Prix

# group by PRICE et aggrégation sur ID_PROD (count)
CA_price = d.groupby('price')['price'].sum()

# représentation graphique
fig = go.Figure(data=go.Scattergl(
x= CA_price.index, 
y = CA_price.values, 
mode='markers', 
marker=dict(
color=np.random.randn(3000), 
colorscale='Viridis',
line_width=1)
))
fig

Ce graphique corrobore notre précédente conclusion : le CA est concentré sur des articles entre 0 et 50€.

distinction entre les deux gammes

sup = d.loc[d['price'].isin(val_aty['price']),:] 
standard = d.loc[~d['price'].isin(val_aty['price']),:] 
standard

	id_prod	date	session_id	client_id	sex	birth	price	categ	Année - Mois
0	0_1518	2022-05-20	s_211425	c_103	f	1986	4.18	0	2022-05
1	0_1518	2021-09-26	s_95811	c_6197	m	1985	4.18	0	2021-09
2	0_1518	2021-05-06	s_30782	c_682	f	1974	4.18	0	2021-05
3	0_1518	2022-03-16	s_180057	c_5932	f	1962	4.18	0	2022-03
4	0_1518	2022-11-12	s_296584	c_7217	f	1976	4.18	0	2022-11
...	...	...	...	...	...	...	...	...	...
679106	0_1279	2021-06-23	s_52563	c_1025	m	1984	20.99	0	2021-06
679107	0_1683	2021-12-24	s_139091	c_5508	f	1974	2.99	0	2021-12
679108	0_1379	2021-10-16	s_105547	c_5425	f	1981	2.99	0	2021-10
679109	0_886	2021-03-17	s_7410	c_7219	f	1966	21.82	0	2021-03
679110	0_833	2021-09-27	s_96558	c_8260	m	1991	2.99	0	2021-09

673744 rows × 9 columns

CA par catégorie

##### Calcul du CA par catégorie

# group by CATEG et aggrégation (somme) sur le prix
CA_categ_sup = sup.groupby('categ')['price'].sum()
CA_categ_standard = standard.groupby('categ')['price'].sum()

# j'ajoute deux lignes à vide à la catégorie supérieure (pas d'article vendu pour les categ 0 et 1)
ligne = pd.Series([0,0])
#on concatène les 2 séries
CA_categ_sup = pd.concat([ligne, CA_categ_sup])
CA_categ_sup2 = pd.DataFrame(
             columns=['categ', 'CA'],
             index=['0', '1', '2' ])
CA_categ_sup2['categ'] = CA_categ_sup.index
CA_categ_sup2['CA']= CA_categ_sup.values


CA_categ_gam = pd.DataFrame(
             columns=['categ', 'standard', 'sup'],
             index=['0', '1', '2' ])
CA_categ_gam['categ'] = ['0', '1', '2' ]
CA_categ_gam['standard'] = CA_categ_standard.values
CA_categ_gam['sup'] = CA_categ_sup2['CA']

CA_categ_gam 

	categ	standard	sup
0	0	4419730.97	0.00
1	1	4653722.69	0.00
2	2	1928102.09	852172.93

Représentation graphique

# mise en forme du tableau pour affichage graphique 
CA_categ_gam2 = pd.DataFrame(
             columns=['categ', 'CA', 'gamme'])
CA_categ_gam2['categ'] = ['0', '1', '2','0', '1', '2'  ]
val2 = pd.DataFrame(CA_categ_sup2['CA'].values)
val1 = pd.DataFrame(CA_categ_standard.values)
CA_categ_gam3 = pd.concat([val1, val2])
CA_categ_gam2['CA'] = CA_categ_gam3.values
CA_categ_gam2['gamme'] = ['Standard', 'Standard', 'Standard','Supérieure', 'Supérieure', 'Supérieure'  ]

px.histogram(CA_categ_gam2, x='categ', y='CA', color='gamme', barmode='group')

print('La répartition du CA par gamme : ')
px.pie(CA_categ_gam2, values='CA', names='gamme')

La répartition du CA par gamme : 

Les articles de la gamme supérieure ne représentent qu'une faible proportion du CA : 7.19%

Zoom sur les clients

Profils

Répartition des clients par genre

# répartition H/F
rep_sex = client.groupby('sex')['sex'].count()
print('Répartition des clients par genre : ')
px.pie(rep_sex, values='sex', names= rep_sex.index)

Répartition des clients par genre : 

Une répartition plutôt égalitaire entre H et F

Répartition des clients par âge

# répartition age
rep_age = pd.DataFrame({'birth' : client['birth'],
                    'age' : ''})
rep_age['age']= 2023 - rep_age['birth']
rep_age = rep_age.groupby('age')['age'].count()

#rep graphique
print('La répartition des clients par âge : ')
px.scatter(rep_age, y= 'age', x=rep_age.index)

La répartition des clients par âge : 

Nous observons une concentration du nombre de clients entre 20 et 60 ans

Panier moyen

# panier moyen
panier = d.groupby(['date', 'client_id'])['price'].sum()
panier_moy = panier.sum()/panier.count()
print('Le panier moyen est de : ', round(panier_moy, 2), '€')

Le panier moyen est de :  38.17 €

Répartition du CA

Répartition du CA entre les clients

La courbe de Lorenz va nous permettre d'évaluer l'égalité de la répartition du CA entre les clients :

# Courbe de lorenz 

# je sélectionne tout d'abord le sous-échantillon de travail que l'on appelle CA_lorenz 
CA_lorenz = d['price']

# sel les valeurs only et les passe en négatif
CA_l = CA_lorenz.values   
n = len(CA_l)

# trier les individus dans l'ordre croissant des valeurs de la variable
# Ensuite, nous calculons la somme cumulée grâce à np.cumsum()
# Pour normaliser et faire en sorte que le haut de la courbe soit à 1, on divise le tout par CA_l.sum()
lorenz = np.cumsum(np.sort(CA_l)) / CA_l.sum()   

 # La courbe de Lorenz commence à 0
lorenz = np.append([0],lorenz)

# La variable lorenz contient les ordonnées des points,
# mais il nous faut maintenant leurs abscisses : celles-ci s'étendent de 0 à 1 
# C'est ce que produit np.linspace(0,1,len(lorenz))
#Il y a un segment de taille n pour chaque individu, 
# plus 1 segment supplémentaire d'ordonnée 0.
# Le premier segment commence à 0-1/n, et le dernier termine à 1+1/n.
xaxis = np.linspace(0-1/n,1+1/n,n+1) 

plt.plot(xaxis,lorenz,drawstyle='steps-post')
plt.plot([0,1], [0,1])
plt.title('Répartition du CA entre les clients :')
plt.show()

En abcisses, les effectifs cumulés
En ordonnées, le CA cumulé.

La courbe s'éloignant de la diagonale d'équirépartition (en orange), nous en déduisons que la répartition n'est pas égale.

# Gini : 
AUC = (lorenz.sum() -lorenz[-1]/2 -lorenz[0]/2)/n # Surface sous la courbe de Lorenz. 
#Le premier segment (lorenz[0]) est à moitié en dessous de 0, on le coupe donc en 2, 
#on fait de même pour le dernier segment lorenz[-1] qui est à moitié au dessus de 1.
S = 0.5 - AUC # surface entre la première bissectrice et le courbe de Lorenz
gini = 2*S
gini

0.39547021795694925

L'indice de Gini mesure ici l'inégalité des chiffres d'affaires de tous les clients.

NB : Indice de Gini : chiffre de 0 à 1 mesurant l'aire entre la bissectrice et la courbe de Lorenz O indique une égalité parfaite (répartition parfaitement égale)
1 indique une inégalité parfaite (un seul client réalise le CA total)

Notre indice de 0.39 confirme l'inégalité de répartition du CA entre les clients. Cette inégalité reste modérée.

Pour aller plus loin dans l'analyse de ce dernier point, nous allons présenter la répartition des clients par CA :

# répartition du CA par client
rep_ca_client = d.groupby('client_id')['price'].sum().sort_values(ascending=False)
rep_ca_client.head(15)
# rep_ca_client.describe()

client_id
c_1609    324033.35
c_4958    289760.34
c_6714    153598.92
c_3454    113637.93
c_3263      5276.87
c_1570      5271.62
c_2899      5214.05
c_2140      5208.82
c_7319      5155.77
c_7959      5085.45
c_8026      5082.58
c_7421      5050.20
c_5263      5006.85
c_1422      4993.55
c_1876      4970.62
Name: price, dtype: float64

ca_moy = CA_total/8600

Nous constatons que 4 clients réalisent un CA très supérieur aux autres clients entre 110 000 et 350 000 € chacun. Pour rappel, le CA moyen par client est de : 1 378€. Il pourrait s'agir de clients professionnels.

# répartition du CA entre clients B2B et B2C 
rep_ca_client_pro = pd.DataFrame({'CA' : rep_ca_client.values,
                    'type' : 'B2C'})
rep_ca_client_pro.loc[0:3, 'type'] = 'B2B'
rep_ca_client_pro['CA'].astype(float)

# graph répartition 
rep_ca_c_pro = rep_ca_client_pro.groupby('type')['CA'].sum()
print('Répartition du CA par type de client : ')
px.pie(rep_ca_c_pro, values=rep_ca_c_pro.values, names= rep_ca_c_pro.index)

Répartition du CA par type de client : 

Les clients de type B2C, professionnels, représentent 7.43% du CA.

Répartition du CA par genre

# répartition du CA par genre
rep_ca_sex = d.groupby('sex')['price'].sum()
print('Répartition du CA par genre : ')
px.pie(rep_ca_sex, values=rep_ca_sex.values, names= rep_ca_sex.index)

Répartition du CA par genre : 

Nous constatons à nouveau une répartition homogène entre les hommes et les femmes.

Répartition du CA par âge

# répartition du CA par âge
# répartition age
rep_ca_age = d.groupby('birth')['price'].sum()
rep_ca_age_date = pd.DataFrame({'Birth' : rep_ca_age.index,
                    'CA' : rep_ca_age.values})
rep_ca_age_date['Age'] = 2023 - rep_ca_age_date['Birth']

# #rep graphique
print('La répartition des clients par âge : ')
px.scatter(rep_ca_age_date, x= 'Age', y='CA')

La répartition des clients par âge : 

Nous constatons que le CA semble être fonction décroissant de l'âge.

Recherche de corrélations

Au cours de l'analyse du CA réalisée précédemment, nous avons fait les observations suivantes :

• le nombre de ventes semble liée à la catégorie
• le prix de vente semble lié au nombre de ventes
• il ne semble pas y avoir de lien entre le prix de vente et le CA réalisé
• la catégorie et le CA réalisé semblent liés
• le nombre de ventes et le CA réalisé semblent liés
• CA et âge semblent liés
• CA et sexe ne semblent pas liés

Nous allons vérifier nos hypothèses en testant les corrélations identifiées.

Ajout des variables nécessaires à l'analyse

# Nombre total d'articles vendus par client
d_an = d.merge(
    d.groupby('client_id').count()['date'].reset_index().rename(columns={'date': 'NbT Articles'}),
    how='left', on='client_id')

# nombre total de ventes par client
d_an = d_an.merge(
    d_an.groupby("client_id")["session_id"].nunique().reset_index().rename(columns= {'session_id': 'Nb Ventes'}),
    how='left', on='client_id')

# age
d_an['age'] = 2023 - d_an['birth']

# CA total par client
d_an = d_an.merge(
    d_an.groupby("client_id")["price"].sum().reset_index().rename(columns= {'price': 'CA Total'}),
    how='left', on='client_id')

# Panier moyen par client
d_an['Panier Moy CA'] = d_an['CA Total']/d_an['Nb Ventes']

# Nb moyen d'article par panier par client 
d_an['Nb Moy Art/panier'] = d_an['NbT Articles']/d_an['Nb Ventes']

# fréquence d'achat par client 
d_an['Fréquence achat'] = round(d_an['Nb Ventes']/24,2)
d_an[d_an['client_id'] == 'c_100']

	id_prod	date	session_id	client_id	sex	birth	price	categ	Année - Mois	NbT Articles	Nb Ventes	age	CA Total	Panier Moy CA	Nb Moy Art/panier	Fréquence achat
108537	1_442	2021-08-10	s_73929	c_100	m	1992	24.98	1	2021-08	8	5	31	254.85	50.97	1.6	0.21
194408	1_57	2021-06-24	s_53051	c_100	m	1992	11.99	1	2021-06	8	5	31	254.85	50.97	1.6	0.21
220935	1_547	2022-07-20	s_240961	c_100	m	1992	15.99	1	2022-07	8	5	31	254.85	50.97	1.6	0.21
220955	1_547	2021-04-20	s_23060	c_100	m	1992	15.99	1	2021-04	8	5	31	254.85	50.97	1.6	0.21
221075	1_547	2022-09-20	s_270695	c_100	m	1992	15.99	1	2022-09	8	5	31	254.85	50.97	1.6	0.21
317394	2_194	2021-06-24	s_53051	c_100	m	1992	138.53	2	2021-06	8	5	31	254.85	50.97	1.6	0.21
429118	0_1111	2021-08-10	s_73929	c_100	m	1992	19.99	0	2021-08	8	5	31	254.85	50.97	1.6	0.21
661274	0_312	2021-08-10	s_73929	c_100	m	1992	11.39	0	2021-08	8	5	31	254.85	50.97	1.6	0.21

# je réorganise le tableau
d_an.drop(columns=["date", "birth", "Année - Mois"], inplace=True)

d_an = d_an[['client_id', 'sex', 'age', 'session_id', 'id_prod', 'price', 'categ', 'CA Total', 'NbT Articles', 'Nb Ventes',
             'Panier Moy CA', 'Nb Moy Art/panier', 'Fréquence achat'   ]]
d_an[d_an['client_id'] == 'c_100']

	client_id	sex	age	session_id	id_prod	price	categ	CA Total	NbT Articles	Nb Ventes	Panier Moy CA	Nb Moy Art/panier	Fréquence achat
108537	c_100	m	31	s_73929	1_442	24.98	1	254.85	8	5	50.97	1.6	0.21
194408	c_100	m	31	s_53051	1_57	11.99	1	254.85	8	5	50.97	1.6	0.21
220935	c_100	m	31	s_240961	1_547	15.99	1	254.85	8	5	50.97	1.6	0.21
220955	c_100	m	31	s_23060	1_547	15.99	1	254.85	8	5	50.97	1.6	0.21
221075	c_100	m	31	s_270695	1_547	15.99	1	254.85	8	5	50.97	1.6	0.21
317394	c_100	m	31	s_53051	2_194	138.53	2	254.85	8	5	50.97	1.6	0.21
429118	c_100	m	31	s_73929	0_1111	19.99	0	254.85	8	5	50.97	1.6	0.21
661274	c_100	m	31	s_73929	0_312	11.39	0	254.85	8	5	50.97	1.6	0.21

Matrice de corrélation

# Heatmaps et matrice de corrélation

# poser les hypothèses

# Choix du test selon 
# - homogénéité
# - normalité
# - type de variable

# déroulement du test

# évt post-hoc

# décision 

# conclusion

# matrice clients : 
d_an_c = d_an.set_index('client_id')
d_an_c.drop(columns=["session_id", "id_prod", "price", 'categ'], inplace=True)
d_an_c = d_an_c.drop_duplicates()
d_an_c

	sex	age	CA Total	NbT Articles	Nb Ventes	Panier Moy CA	Nb Moy Art/panier	Fréquence achat
client_id
c_103	f	37	2288.49	195	89	25.713371	2.191011	3.71
c_6197	m	38	1519.18	117	45	33.759556	2.600000	1.88
c_682	f	49	4102.18	331	161	25.479379	2.055901	6.71
c_5932	f	61	2709.81	161	111	24.412703	1.450450	4.62
c_7217	f	47	2418.01	181	74	32.675811	2.445946	3.08
...	...	...	...	...	...	...	...	...
c_4478	f	53	13.36	1	1	13.360000	1.000000	0.04
c_4540	m	20	363.98	2	2	181.990000	1.000000	0.08
c_4391	f	22	363.98	2	2	181.990000	1.000000	0.08
c_1232	f	63	39.70	2	2	19.850000	1.000000	0.08
c_7534	m	31	201.98	2	2	100.990000	1.000000	0.08

8600 rows × 8 columns

sns.pairplot(d_an_c.iloc[:,0:9])

<seaborn.axisgrid.PairGrid at 0x276c6e161f0>

sns.set(rc={'figure.figsize':(10,4)})

d_an_c_corr = d_an_c.corr()

ax = sns.heatmap(d_an_c_corr, xticklabels = d_an_c_corr.columns , 
                 yticklabels = d_an_c_corr.columns, cmap = 'coolwarm')

1/ matrice des corrélations ou heatmap

2/ corrélations à faire :

genre / catégorie

age / CA

taille panier / panier moyen

age / fq achat

fq achat / taille panier

age / panier moyen

fq achat / panier moyen

taille panier / cat

cat / age

cat / fq achat

cat / panier moyen

age / taille panier

CA et genre

CA et prix

Nb Ventes et prix

Nb Ventes et catégorie

NbV et CA